Obtenha valor comercial genuíno da ciência de dados

Prevenir avarias prevendo a condição e os requisitos de manutenção dos ativos industriais é um grande desafio. O mundo da ciência de dados está cheio de modelos que lutam para fornecer resultados em ambientes do mundo real. Então, qual é a melhor abordagem?

Teoria e prática

Na teoria, teoria e prática são a mesma coisa. Na prática, não são. Em nenhum lugar isso é mais verdadeiro do que ao tentar traduzir modelos de ativos industriais em insights acionáveis ​​que proporcionam melhorias no chão de fábrica. Artigos acadêmicos sobre ciência de dados podem incluir análises que demonstrem como algoritmos específicos podem melhorar em um ou dois pontos percentuais, mas em um ambiente de fábrica, cortar sinais ruidosos para descobrir qualquer padrão pode ser um desafio.

No entanto, este é apenas o primeiro grande obstáculo que os desenvolvedores de modelos DIY devem superar se esperam que seus esforços permitam a Manutenção Preditiva ou outros resultados de negócios. Aqueles que conseguem desenvolver um modelo robusto que pode funcionar em condições do mundo real imediatamente se deparam com o próximo grande problema:modelos úteis devem ser implantados, não apenas desenvolvidos.

A implantação naturalmente significa executar modelos em escala. Mas também significa fornecer uma interface que apresente resultados de forma amigável e satisfaça os usuários, permitindo que diferentes grupos priorizem alertas, coletem feedback e assim por diante. Se você tem 20.000 robôs trabalhando em uma grande fábrica, até mesmo implantar uma interface de usuário para exibir gráficos interativos para todos eles está longe de ser trivial. Na verdade, os modeladores DIY normalmente descobrem que o que eles estão realmente tentando fazer é desenvolver seus próprios aplicativos. Isso pode ser extremamente intensivo em recursos e caro.

Pergunte aos especialistas

Por esses motivos, quase sempre é melhor se unir a um provedor especializado, completo com sua própria experiência em ciência de dados e o suporte de implantação necessário para garantir que os usuários do chão de fábrica possam acessar facilmente as informações de que precisam. As empresas podem pensar que seus próprios modelos personalizados podem ter um desempenho melhor do que algoritmos genéricos gerados por fornecedores. No entanto, qualquer diferença é muitas vezes marginal e pode ser superada pelos aspectos negativos de fazê-lo sozinho.

Por exemplo, os modelos usados ​​na solução de Manutenção Preditiva da Senseye, Senseye PdM, geralmente estão no mesmo nível dos modelos personalizados e podem ter um desempenho ainda melhor. Seus algoritmos exclusivos de aprendizado de máquina transformam os dados em uma previsão precisa da Vida Útil Remanescente (RUL) dos ativos de fabricação – uma técnica conhecida como prognóstico.

Uma razão pela qual o Senseye PdM supera rotineiramente as expectativas é que os algoritmos tratam cada máquina como única – mesmo que sejam da mesma marca e modelo. As máquinas que começam da mesma forma se comportam e se desgastam de maneira diferente ao longo do tempo, pois estão sujeitas a diferenças em seu ambiente imediato ou devido ao trabalho que estão realizando. Tratar cada ativo como um indivíduo com uma "impressão digital comportamental" exclusiva aumenta consideravelmente a precisão dos prognósticos do Senseye PdM e oferece melhor suporte às equipes responsáveis ​​pelos ativos de produção para maximizar o tempo de atividade.

Além de fornecer o desempenho comprovado de algoritmos testados e comprovados, a parceria com a Senseye elimina todas as dores de cabeça associadas a desempenho robusto, dimensionamento, implantação, usabilidade e segurança.

Se um usuário em potencial já desenvolveu um modelo personalizado e gostaria de usá-lo, a Senseye pode integrá-lo ao sistema por meio de uma API. Mesmo que o próprio modelo personalizado não esteja integrado ao Senseye PdM, a solução ainda pode aceitar os resultados dos modelos personalizados como entrada útil.

No entanto, continua sendo muito mais comum a Senseye implantar seus próprios algoritmos genéricos sofisticados. Os cientistas de dados da Senseye se concentram em lidar com o mundo real como ele é, não como gostaríamos que fosse, então os modelos são extremamente robustos mesmo nos ambientes de dados mais ruidosos.

Onde os usuários pretendem implementar prognósticos e manutenção preditiva, essa abordagem robusta é especialmente importante ao capturar dados de falhas. No que pode ser um momento relativamente caótico, é vital extrair informações significativas sob o ruído para que o sistema possa identificar uma falha que se aproxima e emitir um alerta antes que o ativo falhe novamente.

Trabalhando juntos

Embora trazer especialistas externos seja a maneira mais eficiente de implantar modelos para monitoramento de condições e manutenção preditiva, os usuários desempenham um papel importante para obter o máximo dos modelos de dados genéricos.

Para começar, sempre há uma curva de aprendizado ao implantar um modelo genérico. Por exemplo, o Senseye PdM leva inicialmente 14 dias para entregar resultados, criando uma “impressão digital” do comportamento único de cada ativo em condições normais de operação.

O conhecimento interno e a experiência de nossas equipes de clientes, incluindo especialistas em monitoramento de condições e engenheiros mecânicos, combinados com nossos especialistas em tecnologia, podem contribuir para esse processo, permitindo que a Senseye configure o sistema antecipadamente para priorizar alguns dos dados e eventos nos quais os usuários estão mais interessados .Isso acelera o processo de aprendizado inicial dos algoritmos. A longo prazo, um sistema de feedback regular permite que os algoritmos construam uma imagem de quais eventos e tendências são importantes para os usuários e quais são irrelevantes. Isso é útil ao implantar modelos genéricos que estão se adaptando gradualmente para prever o comportamento de cada máquina com mais e mais precisão ao longo do tempo.

Resultados do mundo real

Faça certo e os benefícios comerciais são extremamente impressionantes. O Senseye PdM normalmente reduz o tempo de inatividade não planejado da máquina em 50%, aumenta a produtividade da equipe de manutenção em 55% e aumenta a precisão da previsão de tempo de inatividade em 85%.

Normalmente, esses benefícios são difíceis de combinar com algoritmos personalizados, portanto, uma abordagem de destaque é altamente recomendada para obter resultados do mundo real.

Saiba mais lendo nosso white paper "Aproveite o poder da previsão" ou experimente nossa Calculadora de ROI para ver como você pode se beneficiar.